\n<\/p>\n
W<\/span>Las mujeres se han enfrentado a la discriminaci\u00f3n basada en el g\u00e9nero en la fuerza laboral a lo largo de la historia, se les ha negado el empleo en casi todos los roles subordinados, regularmente ignoradas para promociones y aumentos salariales, y rara vez han sido compensadas con las mismas tarifas que sus pares masculinos. Esta larga e hist\u00f3rica tradici\u00f3n socioecon\u00f3mica de arruinar financieramente a m\u00e1s de la mitad de la poblaci\u00f3n contin\u00faa en gran medida sin cesar en el siglo XXI, donde las mujeres todav\u00eda ganan 84 centavos por d\u00f3lar que los hombres. En su nuevo libro, La m\u00e1quina de la igualdad: aprovechar la tecnolog\u00eda digital para un futuro m\u00e1s brillante e inclusivo<\/em>La Dra. Orly Lobel, profesora de derecho y miembro fundadora del Centro de Derecho de la Propiedad Intelectual y Mercados de la Universidad de San Diego, explora c\u00f3mo las tecnolog\u00edas digitales, a menudo criticadas por su papel en la exacerbaci\u00f3n de los males sociales, pueden aprovecharse para reparar el da\u00f1o. han causado. <\/p>\n Asuntos publicos<\/p>\n<\/figure>\n Este art\u00edculo ha sido extra\u00eddo de La m\u00e1quina de la igualdad: aprovechar la tecnolog\u00eda digital para un futuro m\u00e1s brillante e inclusivo<\/em><\/strong> <\/em>por Orly Lobel. Copyright \u00a9 2022. Disponible en PublicAffairs, un sello de Perseus Books, LLC, una subsidiaria de Hachette Book Group, Inc.<\/p>\n <\/p>\n Durante a\u00f1os, el doble est\u00e1ndar fue evidente: los empleadores exigieron secretos sobre los salarios mientras preguntaban a los posibles empleados por sus antecedentes salariales. Ahora, podemos abordar ambos extremos de esta asimetr\u00eda. As\u00ed como la digitalizaci\u00f3n est\u00e1 ayudando a revertir los flujos de informaci\u00f3n para fomentar una mayor transparencia en el mercado sobre el valor de los empleados, las nuevas leyes tambi\u00e9n est\u00e1n ordenando a los empleadores que no conf\u00eden tanto en los niveles salariales anteriores, que pueden verse afectados por la desigualdad sist\u00e9mica. En 2016, Massachusetts se convirti\u00f3 en el primer estado en aprobar una ley que proh\u00edbe a los empleadores preguntar a los candidatos sobre su historial salarial. Desde entonces, m\u00e1s de una docena de estados han seguido su ejemplo.<\/p>\n Prohibir que los empleadores pregunten a los posibles candidatos sobre su historial salarial tiene dos objetivos. El primero es romper el c\u00edrculo vicioso de la brecha salarial, que surge cuando a las mujeres se les paga menos en un trabajo anterior y esa brecha la replica el siguiente empleador. El segundo es abordar las diferencias de g\u00e9nero en el proceso de negociaci\u00f3n. Las cifras salariales est\u00e1n plagadas de disparidades de g\u00e9nero y pueden perpetuar y exacerbar a\u00fan m\u00e1s las disparidades existentes en el mercado. Cuando una mujer revela que actualmente gana menos que un hombre, podr\u00eda estar perjudicando su trayectoria salarial, tanto en el puesto solicitado como para el resto de su carrera. Cada vez que revela su salario actual a un empleador potencial, es probable que esa brecha crezca, ya que los esfuerzos de contrataci\u00f3n y las promociones a menudo se ofrecen como un aumento porcentual en relaci\u00f3n con el salario base actual. En lugar de confiar en cifras sesgadas, las prohibiciones sobre la consulta del historial salarial inducen a los empleadores a utilizar otras formas de determinar el valor de un empleado potencial, incluido un cambio a la computaci\u00f3n automatizada. Los empleadores que utilizan datos internos y de mercado pueden considerar las caracter\u00edsticas relacionadas con el m\u00e9rito al determinar el pago, como la experiencia, la capacitaci\u00f3n, la educaci\u00f3n, la habilidad y el desempe\u00f1o anterior.<\/p>\n Y, sin embargo, como hemos visto, el sesgo humano puede infiltrarse en nuestros algoritmos, y es probable que un algoritmo alimentado con datos contaminados por el sesgo salarial perpet\u00fae ese sesgo. Los bucles de retroalimentaci\u00f3n son c\u00edrculos viciosos digitales que pueden generar resultados autocumplidos. Una vez m\u00e1s: sesgo hacia adentro, sesgo hacia afuera. El riesgo es que un algoritmo aprenda que ciertos tipos o categor\u00edas de empleados est\u00e1n en promedio mal pagados y luego lo calcule en ofertas salariales. Este es el mal que la pol\u00edtica reciente ha sido dise\u00f1ada para eliminar, y que podemos programar AI para evitar. La eliminaci\u00f3n de la cifra num\u00e9rica anclada alienta a los empleadores a evaluar de manera proactiva el pago en funci\u00f3n de las necesidades de la empresa y la idoneidad del candidato en lugar de un n\u00famero contaminado. Al mismo tiempo, tener informaci\u00f3n sobre la escala salarial de un trabajo pero no tener un historial de salarios sobre la mesa puede animar a las mujeres a pedir m\u00e1s.<\/p>\n Adem\u00e1s, la IA tambi\u00e9n puede ayudar en el futuro, tal vez ni siquiera en un futuro lejano, reemplazando parte de la negociaci\u00f3n que tiene lugar en entornos desiguales. Los estudios emp\u00edricos sobre las diferencias de negociaci\u00f3n entre hombres y mujeres han demostrado repetidamente que, en promedio, las mujeres negocian menos y que, cuando lo hacen, los empleadores reaccionan negativamente. Las mujeres no piden salarios m\u00e1s altos, mejores condiciones, promociones u oportunidades con tanta frecuencia como los hombres. En mi investigaci\u00f3n, he llamado a esto el d\u00e9ficit de negociaci\u00f3n. En un estudio de la Universidad Carnegie Mellon, el 93 % de las estudiantes de maestr\u00eda en administraci\u00f3n de empresas aceptaron una oferta salarial inicial, mientras que solo el 43 % de los hombres lo hicieron. En otro estudio, las participantes femeninas que simularon negociaciones salariales pidieron un promedio de $7,000 menos que los participantes masculinos. Los economistas Andreas Leibbrandt y John List tambi\u00e9n descubrieron que, si bien es mucho menos probable que las mujeres negocien el salario con los empleadores, esta diferencia desaparece cuando se les dice expl\u00edcitamente a todos los que buscan trabajo que el salario es negociable, lo que mitiga la brecha salarial. Mi propia investigaci\u00f3n experimental con el psic\u00f3logo del comportamiento y profesor de derecho Yuval Feldman, mi colaborador desde hace mucho tiempo, ha descubierto que las mujeres en algunos entornos laborales act\u00faan menos como \u00abhomo economicus\u00bb, es decir, como actores econ\u00f3micos racionales, y m\u00e1s como actores sociales altruistas, de modo que las mujeres no se exigen tanto como los hombres y es m\u00e1s probable que valoren los beneficios no monetarios, como una buena cultura empresarial.<\/p>\n \u00bfPueden estos conocimientos de investigaci\u00f3n ofrecernos pistas para desarrollar nuevas herramientas de software que estimulen a las mujeres a negociar? Las plataformas digitales pueden servir a los empleados brind\u00e1ndoles consejos e informaci\u00f3n sobre c\u00f3mo solicitar un aumento o prepararse para una entrevista. La informaci\u00f3n sobre el pago, y especialmente una expectativa expl\u00edcita de que el pago puede y debe negociarse, puede empoderar a los solicitantes para negociar salarios m\u00e1s altos antes de aceptar ofertas de trabajo. La plataforma digital PayScale realiza encuestas anuales preguntando a miles de personas que buscan trabajo si revelaron su salario en trabajos anteriores durante el proceso de entrevista. La encuesta de PayScale de 2018 encontr\u00f3 que a las mujeres a las que se les pregunt\u00f3 sobre sus antecedentes salariales y se negaron a revelar se les ofrecieron puestos con un 1,8 % menos de frecuencia que a las mujeres a las que se les pregunt\u00f3 y se revel\u00f3. Por el contrario, los hombres que se negaron a revelar cuando se les pregunt\u00f3 sobre el historial salarial recibieron ofertas un 1,2 por ciento m\u00e1s que los hombres que s\u00ed lo hicieron.<\/p>\n Incluso cuando las mujeres negocian, reciben un trato diferente. En mi investigaci\u00f3n, llamo a este fen\u00f3meno la pena de negociaci\u00f3n. A las mujeres se les dice que se \u00abinclinen\u00bb y hagan demandas, pero la realidad es que durante siglos, las mujeres han sido vistas universalmente como negociadoras m\u00e1s d\u00e9biles que sus contrapartes masculinas. En una serie de experimentos, los participantes evaluaron relatos escritos de candidatos que iniciaron o no negociaciones para salarios m\u00e1s altos. Los resultados de cada experimento mostraron que los participantes penalizaban m\u00e1s a las candidatas que a los candidatos masculinos por iniciar negociaciones, considerando que las mujeres que ped\u00edan m\u00e1s no eran \u201cagradables\u201d o eran demasiado \u201cexigentes\u201d. Si bien cualidades como la asertividad, la fuerza y \u200b\u200bla competitividad benefician culturalmente a los negociadores masculinos, las mujeres que muestran tales caracter\u00edsticas a menudo se consideran demasiado agresivas. Otro estudio analiz\u00f3 los datos de un grupo de personas suecas que buscaban trabajo y descubri\u00f3 que las mujeres no solo terminaban con salarios m\u00e1s bajos que sus pares masculinos igualmente calificados, sino que tambi\u00e9n a menudo eran penalizadas por negociar como ellos. Nick Yee y Jeremy Bailenson han demostrado que los avatares atractivos conducen a un comportamiento m\u00e1s \u00edntimo con un c\u00f3mplice en t\u00e9rminos de autorrevelaci\u00f3n y distancia interpersonal. En un segundo estudio, tambi\u00e9n observaron que los avatares altos conducen a un comportamiento m\u00e1s seguro que los avatares bajos en una tarea de negociaci\u00f3n. Lo llaman el Efecto Proteo (se sab\u00eda que el dios griego Proteo ten\u00eda la capacidad de asumir muchas representaciones de s\u00ed mismo). El efecto Proteus sugiere que las caracter\u00edsticas visuales y los rasgos de un avatar est\u00e1n asociados con la correlaci\u00f3n de estereotipos y expectativas de comportamiento, incluidos aquellos que afectan la forma en que negociamos.<\/p>\n La und\u00e9cima competencia anual de inteligencia artificial que ha sido entrenada para negociar, las Olimpiadas de Hagglebot, como se las denomina en los medios populares, se llev\u00f3 a cabo en enero de 2021. Esta vez ganaron universidades de Turqu\u00eda y Jap\u00f3n. En algunos experimentos que involucraron negociaciones con bots, la mayor\u00eda de las personas ni siquiera se dieron cuenta de que estaban hablando con un bot en lugar de con otra persona: los bots hab\u00edan aprendido a mantener conversaciones fluidas que imitaban completamente a los humanos. Usando la teor\u00eda de juegos, los investigadores est\u00e1n mejorando cada vez m\u00e1s las formas en que los bots pueden negociar en nombre de los humanos, eliminando algunos de los aspectos en los que los humanos somos falibles, como tratar de tener en cuenta y sopesar muchos aspectos diferentes del trato. AI ahora puede predecir las preferencias del otro lado con bastante rapidez. Por ejemplo, una IA que escucha por micr\u00f3fono los primeros cinco minutos de negociaci\u00f3n est\u00e1 aprendiendo a predecir gran parte del trato final solo a partir de las voces de los negociadores. Siguiendo estos patrones de habla a trav\u00e9s del aprendizaje autom\u00e1tico, resulta que cuando la voz de un negociador var\u00eda mucho en volumen y tono, est\u00e1 siendo un jugador d\u00e9bil en la mesa de negociaci\u00f3n. Cuando las partes negociadoras se reflejan entre s\u00ed, significa que est\u00e1n m\u00e1s cerca de llegar a un acuerdo. El uso de IA tambi\u00e9n ha ayudado a descubrir las formas en que se penaliza a las mujeres en la mesa de negociaci\u00f3n. Un nuevo estudio de la Universidad del Sur de California utiliz\u00f3 un chatbot que no conoc\u00eda las identidades de g\u00e9nero de los participantes para evaluar las habilidades de negociaci\u00f3n. El estudio mostr\u00f3 que a la mayor\u00eda de nosotros, tanto hombres como mujeres, nos va bastante mal negociando salarios. M\u00e1s del 40 por ciento de los participantes no negociaron en absoluto, y la mayor\u00eda de la gente dej\u00f3 dinero sobre la mesa que podr\u00edan haber recibido. Las mujeres valoraban menos las opciones sobre acciones que los hombres como parte de su paquete de compensaci\u00f3n, lo que afectaba la probabilidad de que las mujeres acumularan riqueza con el tiempo. Estos avances tambi\u00e9n pueden ayudar con las disparidades de negociaci\u00f3n entre diferentes identidades. Un grupo de investigadores israel\u00edes y estadounidenses analiz\u00f3 c\u00f3mo una computadora inteligente puede negociar con humanos de diferentes or\u00edgenes culturales. Sin decirle nada a la m\u00e1quina sobre las caracter\u00edsticas de las personas de tres pa\u00edses (Israel, L\u00edbano y Estados Unidos), permiten que la IA aprenda sobre los patrones de las diferencias de negociaci\u00f3n cultural participando en juegos de negociaci\u00f3n. Descubrieron que la computadora pod\u00eda superar a las personas en todos los pa\u00edses. Estos desarrollos son prometedores. Podemos imaginar que los bots aprendan sobre las diferencias de negociaci\u00f3n y, en \u00faltima instancia, contrarresten esas diferencias para crear intercambios m\u00e1s equitativos, nivelar el campo de juego y lograr resultados justos. Se pueden dise\u00f1ar para abordar los objetivos distributivos espec\u00edficos que tenemos.<\/p>\n<\/div>\n Todos los productos recomendados por Engadget son seleccionados por nuestro equipo editorial, independiente de nuestra empresa matriz. Algunas de nuestras historias incluyen enlaces de afiliados. Si compra algo a trav\u00e9s de uno de estos enlaces, podemos ganar una comisi\u00f3n de afiliado. Todos los precios son correctos en el momento de la publicaci\u00f3n.<\/em><\/p>\n